改进 U-Net 在边缘设备上用于医学图像分割的实现
信号处理
2022-06-07 v1 人工智能
计算机视觉与模式识别
系统与控制
系统与控制
摘要
深度学习技术，特别是卷积神经网络，在计算机视觉与医学成像应用中展现出巨大潜力。然而，深度学习模型计算需求高，因其需要庞大的算力与专用处理硬件进行模型训练。为使这些模型便于移植并适用于原型开发，将其部署于低功耗设备至关重要。本工作中，我们展示了改进 U-Net 在 Intel Movidius Neural Compute Stick 2（NCS-2）上用于医学图像分割的实现。我们选择 U-Net 是因为在医学图像分割中，U-Net 是一种突出的模型，即便数据集规模较小也能提供改进的分割性能。改进 U-Net 模型以 dice score 评估性能。实验报告了在三个医学成像数据集上的分割任务：脑 MRI 的 BraTs 数据集、心脏 MRI 数据集，以及 Ziehl-Neelsen 痰涂片显微镜图像（ZNSDB）数据集。对于所提模型，我们将参数数量从 U-Net 模型的 3000 万减少至所提架构的 49 万。实验结果表明，改进 U-Net 在资源需求显著降低的同时提供可比性能，并能在 NCS-2 上进行推理。记录到的最大 dice score 分别为：BraTs 数据集 0.96，心脏 MRI 数据集 0.94，ZNSDB 数据集 0.74。
引用
@article{arxiv.2206.02358,
title = {Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices},
author = {Owais Ali and Hazrat Ali and Syed Ayaz Ali Shah and Aamir Shahzad},
journal= {arXiv preprint arXiv:2206.02358},
year = {2022}
}
备注
Preprint of paper accepted in IEEE Transactions on Circuits and Systems II: Express Brief